设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 2937|回复: 7
打印 上一主题 下一主题

[武器展望] 西工大这个AI成果意义非常重大

[复制链接]

该用户从未签到

跳转到指定楼层
楼主
 楼主| 发表于 2024-5-12 13:14:48 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 ( ~) I; W% f. M+ A! _
; T3 N$ z) V- N) p, t9 x  \: l' h
南华早报报道,西工大张东(音译)团队在《航空学报》上发表论文,成功解决了AI的“黑箱难题”。: |; b4 u; T1 i5 D
4 t+ `3 q) W$ p7 _/ `9 k4 W
黑箱模型也叫经验模型,指模型结构与物理过程没有外在关系的数学模型,模型结构的选择基于有可用的数学建模和分析工具,并无物理解释。模型行为与物理过程相近,纯粹是比照输入-输出训练数据,对模型中的可调参数“凑参数”的结果。在使用中,使用者“喂入”数据,模型“吐出”计算结果,仅此而已,谈不上理由,谈不上解释。) K$ p6 ?* ?0 z% \6 w
: }" o2 y( `* b8 M, ~7 D& \- C& A
从高斯发明最小二乘法,这就是数学模型的基本思路。建模方法越来越复杂,模型结构越来越复杂,但思路没有变。
8 f' W# B7 I& B" j% O4 K0 z$ }6 }
也不能说一点没变。“任意”选一个模型结构,总可以“凑”出参数。模型阶数提高,模型结构复杂化,模型与数据的拟合度提高,但最终拟合度改进越来越小。数学上有一套“适可而止”的办法,帮助确定模型阶数和复杂性在什么程度既保持足够简洁,又达到足够精度。甚至有一定的办法,帮助引向最合适的模型结构。
0 m: N! w' j/ [) Z
' {) T% g( \5 v9 L, p! G黑箱模型的好处是简便,不需要对物理过程有深入理解。坏处是适用范围很受训练数据的限制。如果训练数据代表了所有可能遇到的情况,黑箱模型其实是不错的。问题是物理过程很复杂,可能经历的情况几乎是无限的,而训练数据只可能针对有限的场景。一旦遇到训练数据之外的场景,黑箱模型就很不可靠,而训练场景之外既可以是数据边界之外,也可以是数据“云团”之间的空隙。
5 v# d7 r! q7 E3 h7 m9 [: t  v" d& f
" P# {& f  M, {+ l0 ]更近一步,不再是简单粗暴地从数学上容易入手的多项式、双线性等模型形式入手,而是基于对物理过程的认知,建立具有物理解释的模型构架,用可调参数使得模型行为与现实过程最大程度拟合。这是灰箱模型,也叫半经验模型。- H6 B! c: J$ ^& S4 H, v
6 X% ]/ M$ w: a6 G0 I9 x; s
灰箱模型的结构有一定的物理背景,在结构上就决定了模型行为的基调。如果这个基调定调正确,加上训练数据,就可以建立比较可靠的模型。即使在数据边界之外,或者数据“云团”之间,模型结果也不会太离谱。1 b5 }3 S5 A/ U8 c; s( P

4 u9 J- {6 \1 Z3 b理想模型也叫白箱模型,这是根据对物理过程的认知,建立机理模型,再通过实验,确定模型参数。由于这有坚实的物理基础,只需要相对较少的训练数据就可精确确定参数。而且在训练数据的边界之外或者云团之间,精度和可靠性依然有保证。
  c9 O9 p7 h+ K: y- I. j0 p8 R) B3 v& p, G, K
白箱模型是可遇而不可得的。真实世界太复杂了,要精确理解和建模对相当简单的过程也是艰难的事,最后得到的模型也可能在数学上非常复杂,使用不变。比如说,水壶烧水是又简单又复杂的问题。如果用黑箱模型,选一个线性律或者平方律,在火力、时间、冷水温度和沸腾时间之间通过实验或许足量数据,然后用最小二乘法,就可以得到一个黑箱模型。在大部分情况下,这模型就够用了。& `. v! H& E2 D6 ]+ k7 S

" [$ \+ Y% S1 r  ]用灰箱模型的话,就要用到传热、材质等方面的知识,但模型也更加精确可靠。$ v& Y6 S. Y. i8 L
- k2 x/ `9 p4 T- J/ s0 {
但用白箱模型的话,连壶底的热分布、壶体的热传导和散热、壶内的对流循环、水中杂质对沸点的影响等统统要考虑进去。模型更精确,但建模就太复杂了。
3 k5 [/ m7 |  d! g: p) v7 ]' k2 U5 J# b# S5 z$ _9 P
在实用中,常常还是黑箱为主,毕竟方便。# M, I1 N* z$ U

% z- i! F3 g" _6 a1 S: i: aAI正是黑箱模型,模型结构与物理世界无关。简单黑箱模型多少还能分析一下,对模型行为有一些定型、半定量的理解。AI模型就不行了,尤其是深度学习模型,动辄几十几百层,几万几亿参数,根本不可能进行有意义的分析。  C" L; e6 Y% I: f
- ~4 d' V3 E: ]$ \, S
这就带来巨大的问题,尤其是用AI模型进行决策辅助甚至自动决策的时候:如何确保AI建议或者决策是正确的,至少是无害的?$ P: a% b0 q  O4 _* k. I6 r
' Z% k: ]- R  o) y# W1 o
在AlphaGo的时候,就有一些棋路是这样,事后复盘的时候,人类大师也看不懂为什么要这么走,也说不上来这几步对后来的胜负有什么影响。自动决策是个最优化问题。最优化好比爬山,爬到山顶就是达到最优了。但要是山包顶上很平坦,到底那里才是山顶就很不清晰。更糟糕的是奇点,像马鞍一样,从一个角度看是顶点,从另一个角度看是底点,算法就容易犯糊涂。还有“香蕉问题”,在两头翘的区域里,算法可能左冲右突就突不出去,要沿着“香蕉”走一段,才有比较明显峰谷。还有就是局部顶点,在山脚下的平地上有一些小土包,爬上土包,在三十步之内确实是顶点,但真正的山顶在前面,连山脚都还没有到呢。) O/ a0 B* D9 G' E; ~
) _: U3 J: l5 Z6 u. c9 V
这些数值计算上的问题可能把最优化算法绕糊涂,找到的最优解其实不最优,甚至一点都不优。) Z- J: F+ b+ o: p" w

: t9 Y: ^' ?) a, K; d# R$ z人类需要理解AI是如何得到当前的结论的。同时,如果人类对AI的求解不满意,要有容易的办法“纠正错误”。
" e# M' w* u2 h) i8 z" \+ S
' Z, S+ ]* p7 [  _' W- C张东团队正是做到了使得AI“坦白交代”,用数据、自然语言和图表说明决策依据和过程,帮助人类理解AI,并在人类复审有异议的时候,可以反馈回去,纠正AI的决策路径。! }- s9 Z' b7 s" b& z

% V, {9 ^% Y% P% ?( @" j6 |2 t0 h张东团队用这个方法,训练AI空战。在一个实例中,AI用复杂的角度机动试图摆脱追击失败,有经验的飞行员发现,AI不顾能量损失强行机动,最后没有击落对方,自己反而能量丧尽,被对方击落。在后来的人工反馈中,AI“改正错误”,再也没有犯同样的错误,而是用貌似蠢笨但保存能量的简单动作引诱对方上前,然后通过积蓄起来的能量突然反手机动,一举击落对方。  s6 [; v4 i% ]. z% ^) W

5 d( n. f, ^2 d! G团队发现,利用飞行模拟器数据,用无反馈的黑箱模型训练,AI要50000轮才能达到90%的成功率;但用有反馈的逐步训练,20000轮就能达到接近100%的成功率。2 X# q- t7 d3 C& f
  \. u1 m/ V3 L) b& ?9 c# ]
这其实好理解。完全基于训练数据的一次性黑箱模型训练好比关起门来死读书,破万卷书后才一知半解;学一点基本知识后,到实践中边学边完善,进步就快多了。
- g1 h! m" j. C: A' D: K1 G
3 i/ g$ l. i+ w这对空战模型的意义显而易见,但应用还不止于此。在工业自动化、工商决策辅助和其他AI应用中,AI的“黑箱性”是应用铺开的最大障碍。即使人们有理由相信“AI是有道理的”,在不能理解这个道理之前,还是不愿意接纳AI的决策建议,在AI直接行动的时候更是抵触。) |1 w9 O5 Z% n, |% S  E
, Y' n6 Y& Z& Q" N
张东团队的成果如果能白菜化、普及开来,功莫大焉。
0 U2 T4 {6 P/ B! N
# F- f" o; V* D" D* o对了,爱坛里@testjhy 是AI权威,给说说我这个理解还靠谱吗?

评分

参与人数 9爱元 +82 学识 +2 收起 理由
常挨揍 + 10
helloworld + 8
landlord + 12 伙呆了
李根 + 8 油菜
方恨少 + 12

查看全部评分

本帖被以下淘专辑推荐:

  • TA的每日心情
    开心
    7 天前
  • 签到天数: 299 天

    [LV.8]合体

    沙发
    发表于 2024-5-13 04:22:37 | 只看该作者
    本帖最后由 鳕鱼邪恶 于 2024-5-13 04:24 编辑
    5 t/ W' o1 c" b; V0 v" c4 j' J8 P; K* w
    兔子现在这么不耽于泄密了嘛~
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    半小时前
  • 签到天数: 1873 天

    [LV.Master]无

    板凳
    发表于 2024-5-13 17:24:08 | 只看该作者
    更糟糕的是奇点,像马鞍一样,从一个角度看是顶点,从另一个角度看是底点,算法就容易犯糊涂。

    - v' E$ L" t* ^  G$ X所以最小二乘优化问题一般要求系数矩阵是正定的,至少是非负定的,避免马鞍点

    评分

    参与人数 1爱元 +8 收起 理由
    helloworld + 8

    查看全部评分

    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2018-6-21 09:14
  • 签到天数: 2 天

    [LV.1]炼气

    地板
    发表于 2024-5-14 07:10:52 | 只看该作者
    能给个文章出处吗? 完整的标题,署名,日期也行啊
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    5#
    发表于 2024-5-14 09:22:18 | 只看该作者
    听上去好像不是什么新东西,感觉这个好像有个专门的词,叫监督学习supervised learning还是啥来着?

    评分

    参与人数 1爱元 +8 收起 理由
    helloworld + 8

    查看全部评分

    回复 支持 反对

    使用道具 举报

    该用户从未签到

    6#
    发表于 2024-5-15 00:00:33 | 只看该作者
    黑箱的可解释性,是AI领域的热门研究课题。如果他们是理论上或方法上有突破,应该是尽量发在各个conference上。是的,这个领域的文章,conference上发表最重要。所以更可能的是这是现有方法在一个工程领域的成功实践。
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2018-6-21 09:14
  • 签到天数: 2 天

    [LV.1]炼气

    7#
    发表于 2024-5-15 00:31:18 | 只看该作者
    本帖最后由 gnomegordon 于 2024-5-15 01:09 编辑
    * R$ @, `5 D& C6 A( q# k
    老福 发表于 2024-5-15 00:00
    " [1 S4 T) |7 |4 U黑箱的可解释性,是AI领域的热门研究课题。如果他们是理论上或方法上有突破,应该是尽量发在各个conference ...
    / _& R4 w6 w; S" U" I& J; ?
    7 ?4 l2 g! A* X: R6 W0 K4 U
    这个有所突破,算是重大突破哎。听上去像是人在回路中,不像boosting
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    8#
     楼主| 发表于 2024-5-16 05:34:03 | 只看该作者
    数值分析 发表于 2024-5-13 03:24
    ! |1 _$ M! z5 c* P( {: W8 f所以最小二乘优化问题一般要求系数矩阵是正定的,至少是非负定的,避免马鞍点 ...

    ; h! a; r6 }5 P5 t工程实践中,通常是不到结果出问题,不会去检查正定矩阵的
    回复 支持 反对

    使用道具 举报

    手机版|小黑屋|Archiver|网站错误报告|爱吱声   

    GMT+8, 2025-4-27 00:58 , Processed in 0.039685 second(s), 20 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表